Feb, 2024

遮挡图像分类的潜在增强自动编码器

PDF
TL;DR通过引入名为 LEARN 的基于自动编码器的网络，该网络可以在不修改分类模型权重的情况下将其合并到分类模型，该方法在大遮挡下的图像分类问题中的性能显著优于标准分类模型，并且比其他最先进的方法提高了 2% 至多达 5% 的分类准确率。
large occlusionsclassification accuracylearnlatent spacecross-dataset testing
发现论文，激发创造
  • 重新思考基于重构自编码器的异常检测

    使用基于重构自编码器的方法处理离群样本检测问题，通过最大化压缩自编码器的潜在空间、语义重构、数据置信度分解和归一化 L2 距离等策略有效地提高方法性能，达到了各类基准测试的最新技术水平。

    Mar, 2022

  • 野外人脸去遮挡的鲁棒 LSTM 自编码器

    本文提出了一个在野外环境中能够有效还原部分遮挡的面部的稳健 LSTM-Autoencoder（RLA）模型。其采用双通道 LSTM decoder 对遮挡部分逐步进行恢复，同时保证了身份信息的不丢失和面部识别准确性。在合成和真实数据集上的实验证明了我们提出的 RLA 在消除不同类型、不同位置的面部遮挡方面具有较大的性能优势，并且与其他抗遮挡方法相比，具有显着的识别性能提升。

    Dec, 2016

  • 基于时空特征的遮挡像素重建端到端框架用于改进行人再识别

    本研究提出了一种有效的 RGB 图像 / 视频的遮挡检测和重建框架，采用卷积神经网络进行遮挡检测，Conv-LSTM 和自编码器用于重建遮挡帧和使用条件生成对抗网络微调和修复重建的 RGB 帧，通过与其他先进技术比较分析，我们的方法在各种数据集上展现出鲁棒性，成为现实生活监控系统应用的优秀选择。

    Apr, 2023

  • 利用类别编码器学习判别特征

    本论文根据对深度神经网络训练过程的观察，提出了 class-encoder 的形式化表述方法，它结合了自动编码器（auto-encoders）和 softmax 函数进行监督训练，以降低类别内部的特征空间变异性，提高人脸识别模型的分类性能。

    May, 2016

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • 利用大规模无监督学习构建高级特征

    使用卷积神经网络进行非监督学习，提取图像中的高级特征，并取得了针对 20,000 个物体类别的显著优化结果。

    Dec, 2011

  • 基于卷积自编码器的多模态一类分类

    本文提出了一种适用于多模态数据的深度学习一类分类方法，通过联合训练两个卷积自编码器，使其在重构正样本输入数据的同时，在潜在空间中获得尽可能紧凑的数据表示。在推理过程中，可以使用输入的潜在表示与原点的距离作为异常分数。实验结果表明，与单模态方法相比，所提出的多模态方法在多模态昆虫图像分类数据集上获得了更好的结果。此外，本文还研究了不同输入图像尺寸的影响，并探讨了最近提出的特征多样性正则化对我们方法性能的影响。结果表明，这样的正则化手段能够提高性能。

    Sep, 2023

  • 深度判别潜空间聚类

    本研究提出优化自动编码器的磨损和判别力对数的预训练阶段，以获得更高的聚类准确性和更快的收敛速度。

    May, 2018

  • 使用自编码器和生成对抗网络的方法处理多组学数据的不平衡类别和分类

    该研究使用神经网络结合自编码器提取特征的潜在空间，并利用生成对抗网络 GAN 生成合成样本，以解决医学数据集中的样本不平衡和高维数据降维的挑战，并在膀胱癌数据集和乳腺癌数据集上分别取得了 95.09% 和 88.82% 的准确度。

    May, 2024

  • 无监督深度学习图像验证方法

    通过利用自动编码器将面部图像向量转化为新的表示，本研究提出一种缩小有标签训练数据差距的方法，从而在无监督的人脸验证技术方面取得了 56％的 EER 相对改进，成功缩小了余弦和 PLDA 评分系统之间的性能差距。

    Dec, 2023